Pilk tulevikku: a priori teadmiste kasutamine äriprotsesside ennustusseireks



Journal Title

Journal ISSN

Volume Title



Ikka leidub juhtumeid, kus lisaks andmetele minevikust, eksisteerib täiendavaid teadmisi (apriori teadmised) selle kohta, kuidas protsessid teostuvad tulevikus. Neid teadmisi saab kasutada selleks, et parandada tuleviku ennustusi juhtumitele, mille kohta ei ole olevikus informatsiooni. Käesolevas töös tutvustame kahte meetodit - nad põhinevad rekurrentsetel tehisnärvivõrkudel, mis kasutavad pika lühiajalise mäluga (PLM) rakke. Need meetodid kasutavad informatsiooni protsessiteostusjuhtumite struktuuri kohta ja a priori teadmisi protsessi võimalike tulemite kohta, et ennustada järgmisi juhtumeid protsessi teostuse ahelas. Testides neid meetodeid kuue elulise sündmuste logiga näitavad meetodite täpsuse paranemist võrreldes tavaliste PLM-il põhinevate meetoditega.
Predictive business process monitoring aims at leveraging past process execution data to predict how ongoing (uncompleted) process executions will unfold up to their completion. Nevertheless, cases exist in which, together with pastexecution data, some additional knowledge (a-prioriknowledge) about how a process execution will develop in the future is available. This knowledge about the future can be leveraged forimproving the quality of the predictions of events that are currently unknown. In this thesis, we present two techniques - based on Recurrent Neural Networks with Long Short-Term Memory (LSTM) cells - able to leverage knowledge about the structure of the process execution traces as well as a-priori knowledge about how they will unfold in the future for predicting the sequence of future activities of ongoing process executions. The results obtained by applying these techniques on six real-life logs show an improvement in terms of accuracy over a plain LSTM-based baseline.